google-cloud-dataflow - 通过 Apache Beam 使用 ParquetIO 读写 parquet 文件的示例

Question

有没有人尝试过使用 Apache Beam 读/写 Parquet 文件。最近在 2.5.0 版中添加了支持，因此文档不多。

我正在尝试读取 json 输入文件并希望写入 parquet 格式。

提前致谢。

Answer 1

在不同的模块中添加以下依赖项作为 ParquetIO。

<dependency>
    <groupId>org.apache.beam</groupId>;
    <artifactId&gt;beam-sdks-java-io-parquet</artifactId>;
    <version>2.6.0</version>;
</dependency>;

//这里是读写代码....

PCollection<JsonObject> input = #Your data
PCollection<GenericRecord> pgr =input.apply("parse json", ParDo.of(new DoFn<JsonObject, GenericRecord> {
        @ProcessElement
        public void processElement(ProcessContext context) {
            JsonObject json= context.getElement();
            GenericRecord record = #convert json to GenericRecord with schema
            context.output(record);
        }
    }));
pgr.apply(FileIO.<GenericRecord>write().via(ParquetIO.sink(schema)).to("path/to/save"));

PCollection<GenericRecord> data = pipeline.apply(
            ParquetIO.read(schema).from("path/to/read"));